本發(fā)明屬于音頻偽造檢測，尤其涉及一種基于音頻潛在特征對比學(xué)習(xí)的音頻偽造檢測方法及系統(tǒng)。
背景技術(shù)：
1、隨著音頻信息服務(wù)迅速發(fā)展，用戶規(guī)模不斷壯大。當前，我國網(wǎng)絡(luò)音樂用戶規(guī)模已達6.08億。特別是隨著生成式人工智能（aigc）等人工智能新技術(shù)新應(yīng)用在音頻領(lǐng)域的運用，基于深度學(xué)習(xí)的音頻生成與克隆算法輸出的音頻日益逼近真實音頻，導(dǎo)致音頻在傳播過程中的一些法律風(fēng)險進一步集聚、放大，因此，對音頻數(shù)據(jù)的合法使用是目前社會上所重視的問題。
2、現(xiàn)階段針對音頻偽造檢測的方法主要有：基于音頻信號特征的偽造檢測方法，例如使用相位譜、梅爾譜圖、頻譜圖和改進時延等音頻特征的檢測方法；基于機器學(xué)習(xí)的偽造檢測方法，例如使用線性svm，加權(quán)k近鄰和增強樹集成等方法；但是，現(xiàn)階段的技術(shù)仍存在著檢測精度不足、泛化能力弱等缺陷，具體來說，基于音頻信號特征的方法，采用的相位譜、梅爾譜圖等特征難以全面覆蓋音頻偽造的復(fù)雜變化，在面對高級偽造技術(shù)時，難以區(qū)分真?zhèn)?，且當音頻處于復(fù)雜環(huán)境中，環(huán)境噪聲等會嚴重干擾特征提取，導(dǎo)致準確性下降。同時，這類方法對新出現(xiàn)的偽造模式敏感度低，難以及時適應(yīng)?；跈C器學(xué)習(xí)的方法，模型嚴重依賴訓(xùn)練數(shù)據(jù)的質(zhì)量與多樣性，樣本不全面或標注偏差易造成大量誤判，對罕見特殊場景的偽造音頻檢測效果差。并且其泛化能力不足，難以應(yīng)對不斷演進的新型偽造技術(shù)，計算資源消耗大，在資源受限場景應(yīng)用困難，還容易受到對抗攻擊，使檢測結(jié)果失效。因此亟須一種方法解決上述問題。
技術(shù)實現(xiàn)思路
1、為解決上述技術(shù)問題，本發(fā)明提出了一種基于音頻潛在特征對比學(xué)習(xí)的音頻偽造檢測方法及系統(tǒng)，以解決上述現(xiàn)有技術(shù)存在的問題。
2、第一方面，為實現(xiàn)上述目的，本發(fā)明提供了一種基于音頻潛在特征對比學(xué)習(xí)的音頻偽造檢測方法，包括以下步驟：
3、對原始音頻數(shù)據(jù)進行數(shù)據(jù)增強，生成偽造音頻數(shù)據(jù)集；
4、構(gòu)建音頻檢測模型，所述音頻檢測模型包括對比學(xué)習(xí)模型；
5、基于所述偽造音頻數(shù)據(jù)集對所述音頻檢測模型進行第一階段訓(xùn)練；
6、完成第一階段訓(xùn)練后，使用對比學(xué)習(xí)模型進行第二階段的訓(xùn)練；
7、基于完成所述第一階段訓(xùn)練和第二階段訓(xùn)練的音頻檢測模型對音頻進行偽造檢測。
8、可選的，對原始音頻數(shù)據(jù)進行數(shù)據(jù)增強，生成偽造音頻數(shù)據(jù)集的過程包括：
9、確認數(shù)據(jù)集的正負樣本分布比例，如正負樣本比例不等于1：1，則對數(shù)據(jù)進行調(diào)整；
10、對調(diào)整完畢后的原始音頻數(shù)據(jù)進行數(shù)據(jù)增強，生成偽造音頻數(shù)據(jù)集。
11、可選的，對調(diào)整完畢后的原始音頻數(shù)據(jù)進行數(shù)據(jù)增強的過程包括：對調(diào)整完畢后的原始音頻數(shù)據(jù)進行高斯噪聲增強、波形位移、波形拉伸和音高修正。
12、可選的，構(gòu)建音頻檢測模型，所述音頻檢測模型還包括：sinc層、殘差塊、gru層和全連接層。
13、可選的，基于所述偽造音頻數(shù)據(jù)集對所述音頻檢測模型進行第一階段訓(xùn)練，第一階段訓(xùn)練的訓(xùn)練輪數(shù)為n，訓(xùn)練輪數(shù)執(zhí)行完畢后第一階段訓(xùn)練結(jié)束，第一階段訓(xùn)練的過程中包括：
14、基于交叉熵損失函數(shù)訓(xùn)練模型。
15、可選的，完成第一階段訓(xùn)練后，使用對比學(xué)習(xí)模型進行第二階段的訓(xùn)練的過程中包括：
16、基于交叉熵損失函數(shù)和對比學(xué)習(xí)的損失函數(shù)進行第二階段的訓(xùn)練。
17、第二方面，本發(fā)明還提供了一種基于音頻潛在特征對比學(xué)習(xí)的音頻偽造檢測系統(tǒng)，用于實施一種基于音頻潛在特征對比學(xué)習(xí)的音頻偽造檢測方法，所述系統(tǒng)包括：
18、數(shù)據(jù)處理模塊，用于對原始音頻數(shù)據(jù)進行數(shù)據(jù)增強，生成偽造音頻數(shù)據(jù)集；
19、模型構(gòu)建模塊，用于構(gòu)建音頻檢測模型，所述音頻檢測模型包括對比學(xué)習(xí)模型、sinc層、殘差塊、gru層和全連接層；
20、模型訓(xùn)練模塊，用于基于所述偽造音頻數(shù)據(jù)集對所述音頻檢測模型進行第一階段訓(xùn)練，并在完成第一階段訓(xùn)練后，使用對比學(xué)習(xí)模型進行第二階段的訓(xùn)練；
21、檢測模塊，用于基于完成所述第一階段訓(xùn)練和第二階段訓(xùn)練的音頻檢測模型對音頻進行偽造檢測。
22、可選的，所述數(shù)據(jù)處理模塊包括：
23、數(shù)據(jù)增強單元，用于對原始音頻數(shù)據(jù)進行高斯噪聲增強、波形位移、波形拉伸和音高修正。
24、第三方面，本發(fā)明還提供了一種計算機終端設(shè)備，包括：
25、一個或多個處理器；
26、存儲器，與所述處理器耦接，用于存儲一個或多個程序；
27、當所述一個或多個程序被所述一個或多個處理器執(zhí)行，使得所述一個或多個處理器實現(xiàn)如一種基于音頻潛在特征對比學(xué)習(xí)的音頻偽造檢測方法。
28、第四方面，本發(fā)明還提供了一種計算機可讀存儲介質(zhì)，其上存儲有計算機程序，所述計算機程序被處理器執(zhí)行時，實現(xiàn)如一種基于音頻潛在特征對比學(xué)習(xí)的音頻偽造檢測方法。
29、與現(xiàn)有技術(shù)相比，本發(fā)明具有如下優(yōu)點和技術(shù)效果：
30、本發(fā)明提供的一種基于音頻潛在特征對比學(xué)習(xí)的音頻偽造檢測方法及系統(tǒng)，首先通過對原始數(shù)據(jù)進行多維度數(shù)據(jù)增強（包括高斯噪聲添加、波形位移、拉伸及音高修正），生成覆蓋復(fù)雜場景的偽造音頻數(shù)據(jù)集；其次構(gòu)建融合sinc卷積層、殘差塊及特征縮放映射的音頻檢測模型rawnet2-c，并集成對比學(xué)習(xí)模塊；基于增強數(shù)據(jù)對模型進行第一階段訓(xùn)練后，進一步通過兩階段訓(xùn)練策略聯(lián)合優(yōu)化分類與特征判別能力，最終顯著提升模型對高逼真?zhèn)卧煲纛l的檢測精度。通過數(shù)據(jù)增強與分階段訓(xùn)練，模型可有效增強對背景噪聲、語速/音調(diào)變化的適應(yīng)性，同時直接從原始波形中提取深層潛在特征，避免傳統(tǒng)人工特征設(shè)計的局限性，強化了復(fù)雜場景下的魯棒性和判別能力。
1.一種基于音頻潛在特征對比學(xué)習(xí)的音頻偽造檢測方法，其特征在于，包括以下步驟：
2.根據(jù)權(quán)利要求1所述的方法，其特征在于，對原始音頻數(shù)據(jù)進行數(shù)據(jù)增強，生成偽造音頻數(shù)據(jù)集的過程包括：
3.根據(jù)權(quán)利要求1所述的方法，其特征在于，對調(diào)整完畢后的原始音頻數(shù)據(jù)進行數(shù)據(jù)增強的過程包括：對調(diào)整完畢后的原始音頻數(shù)據(jù)進行高斯噪聲增強、波形位移、波形拉伸和音高修正。
4.根據(jù)權(quán)利要求1所述的方法，其特征在于，構(gòu)建音頻檢測模型，所述音頻檢測模型還包括：sinc層、殘差塊、gru層和全連接層。
5.根據(jù)權(quán)利要求1所述的方法，其特征在于，基于所述偽造音頻數(shù)據(jù)集對所述音頻檢測模型進行第一階段訓(xùn)練，第一階段訓(xùn)練的訓(xùn)練輪數(shù)為n，訓(xùn)練輪數(shù)執(zhí)行完畢后第一階段訓(xùn)練結(jié)束，第一階段訓(xùn)練的過程中包括：
6.根據(jù)權(quán)利要求1所述的方法，其特征在于，完成第一階段訓(xùn)練后，使用
7.一種基于音頻潛在特征對比學(xué)習(xí)的音頻偽造檢測系統(tǒng)，其特征在于，所述系統(tǒng)包括：
8.根據(jù)權(quán)利要求7所述的系統(tǒng)，其特征在于，所述數(shù)據(jù)處理模塊包括：
9.一種計算機終端設(shè)備，其特征在于，包括：
10.一種計算機可讀存儲介質(zhì)，其上存儲有計算機程序，其特征在于，所述計算機程序被處理器執(zhí)行時，實現(xiàn)如權(quán)利要求1-6中任一項所述的基于音頻潛在特征對比學(xué)習(xí)的音頻偽造檢測方法。